Machine learning driven intelligent and self adaptive system for traffic management in smart cities

---

Computing (2022) 104:1203–1217
https://doi.org/10.1007/s00607-021-01038-1
R E G U L A R P A P E R
Machine learning driven intelligent and self adaptive
system for traffic management in smart cities
Hameed Khan
1
·
Kamal K. Kushwah
1
·
Muni Raj Maurya
2,3
·
Saurabh Singh
1
·
Prashant Jha
1
·
Sujeet K. Mahobia
1
·
Sanjay Soni
1
·
Subham Sahu
1
·
Kishor Kumar Sadasivuni
2
Received: 13 July 2021 / Accepted: 25 November 2021 / Published online: 16 January 2022
© The Author(s), under exclusive licence to Springer-Verlag GmbH Austria, part of Springer Nature 2021
Abstract
Traffic congestion is becoming a serious problem with the large number of vehicle
on the roads. In the traditional traffic control system, the timing of the green light is
adjusted regardless of the average traffic rate at the junction. Many strategies have
been introduced to solve and improve vehicle management. However, in order to
handle road traffic issues, an intelligent traffic management solution is required. This
article represents a self adaptive real-time traffic light control algorithm based on the
traffic flow. We present a machine learning approach coupled with image processing to
manage the traffic clearance at the signal junction. The proposed system utilizes single
image processing via neural network and You Only Look Once (YOLOv3) framework
to establish traffic clearance at the signal. We employed YOLO architectures because
it is accurate in terms of mean average precision (mAP), interaction over union (IOU)
values and fast in object detection tasks as well. It runs significantly faster than other
detection methods with comparable performance. The average processing time of
single image was estimated to be 1.3 s. Further based on the input from YOLO we
estimated the ‘on’ time period green light for effective traffic clearance. Several real
time parameters like number of vehicles (two wheelers, four wheelers), road width
and junction crossing time are considered to estimate the ‘on’time of green light.
Moreover, we used the real traffic images to test the performance and trained the
system with different dataset. Our experiments investigation reveals that the predicted
B
Kamal K. Kushwah
[e-mail]
B
Saurabh Singh
[e-mail]
B
Kishor Kumar Sadasivuni
[e-mail]
1
Jabalpur Engineering College, Jabalpur, Madhya Pradesh, India
2
Center for Advanced Materials, Qatar University, Doha, Qatar
3
Mechanical and Industrial Engineering, Qatar University, Doha, Qatar
123

---

1204
H. Khan et al.
vehicle counts were well matched with the actual vehicle count and proposed method
apprehended an average accuracy of 81.1%. The reported strategy is self adaptive,
highly accurate, fast and has the potential to be implemented in the traffic clearance
at the junctions.